定义与区别

分类是根据数据已知的标签，对未来的数据进行标签，标签的种类是已知的。

回归同样，不过标签的种类不是固定的，所以通常使用数值。

分类

在keras里通常使用to_categorical()函数来对标签进行初始化。

比如现在有4种价格(1、2、3、4， 元)，使用上述函数后，4个类别分别是：

1
2
3
4

(1, 0, 0, 0)
(0, 1, 0, 0)
(0, 0, 1, 0)
(0, 0, 0, 1)

假如一个商品的原始标签是1元，那么现在它的标签就是 (1, 0, 0, 0)，这样降低了标签间的联系，提高学习的效率。

建立模型时，通常最后一层使用 Dense 层（全连接层），它的 units 等于类别数（这里是4），这样会返回一个等于类别数的 tuple。

性能评估Metrices选择: accuracy

在预测一个商品价格的时候，我们会得到一个 tuple，例如 (0.1, 0.2, 0.4, 0.3),因为我们在类别转换的时候使用的是1，所以这个 tuple 即反应了对应类别的概率，一般我们自定义规则判断这个数据的标签，如果简单一点取最高值，那么可以断定这个商品的标签（价格）是3元。

回归

回归的过程和分类是类似的，不同的是我们直接将标签输入模型进行训练，比如我们直接将1、2、3、4输入，不作处理（或者处理为数值）。

建立模型时，通常最后一层使用 Dense 层（全连接层），它的 units 等于1（因为我们输入的标签只有一个），这样会返回一个数值。

性能评估Metrices选择: mae

在预测一个商品价格的时候，我们会得到一个数值，例如 2.63,那么可以断定这个数据的价格是2.63元。

二者的区别

从二者的过程可以看出，在keras里，分类也是回归的一种，只是分类通过回归输出 tuple，我们再通过 tuple 进行分类，而回归则是直接预测。